交易中的机器学习：理论、模型、实践和算法交易 - 页 1615

新评论
 
阿列克谢-维亚兹米 金。

这不是缩减的问题，而是在分割之外的样本上对预测者行为的统计--这应该减少选择预测者价值的随机性。

顺便问一下，AlgLib是在每次分割时都做网格，还是只做一次，然后使用该网格？据我所知，CatBoost的开发者表示，网格是在他们那里做一次。

不存在随机性。每个预测器的最佳可用分区被选中。在森林中存在随机性，当每棵树不是被输入所有的预测因子，而是被随机选择的一半时。

它学会了一次。没有再培训。对于树木/森林，似乎根本没有重新学习，可能是因为重新学习的速度相当快。
还有，为什么要用电网？树有结点和叶子。

 
elibrarius。
顺便说一下，我不喜欢的是，推荐的树木深度是7-10。
也就是说，如果我们有100个预测器，而且那里的划分也是从每个预测器的中间开始的。我们很可能会有7个不同的预测者被分在中间。也许1或2个会分到四分之一，不太可能更小。
或者在提升算法中，算法不是通过半除法工作，而是以较小的块数工作？有谁知道吗？
而谁使用什么树的深度？


 
马克西姆-德米特里耶夫斯基。


47分钟是个遗憾...听取基本知识，这些知识大多是已知的。只有一个具体的问题是值得关注的。如果你知道 - 告诉我)

 
elibrarius。

47分钟是个遗憾...听取基本知识，这些知识大多是已知的。只有一个具体的问题是值得关注的。如果你知道，请告诉我。

它们的构造都不一样，你必须阅读每一种的手册。

这一切都不重要，如果你有与目标相关的信息筹码，那么任何方法都可以。

我是在类似的功能上将森林与提升进行比较。提升的超配较少，总体上+-

 
马克西姆-德米特里耶夫斯基。

它们的构造都不一样，你必须阅读每一种的帮助。

如果有与目标相关的信息特征，那么任何方法都是可行的，这一切都不重要。

我是在类似的功能上将森林与提升进行比较。提升的过拟合度较小，一般来说+-

你把升压的深度设置为多少？
 
马克西姆-德米特里耶夫斯基。

它们的构造都不一样，你必须阅读每一种的帮助。

如果有与目标相关的信息特征，那么任何方法都是可行的，这一切都不重要。

我是在类似的功能上将森林与提升进行比较。提升的过拟合度较小，一般来说+-

这就是我的意思。如果输入是适合的，任何方法都能发挥作用。这就是我想检查的内容，因为我的输入真的很好。但只有雷舍托夫的优化器证明了这一点，正如你所理解的，一个专家不足以做出主观评价。这与方法无关，每种方法只需要一定数量的特征（麦克斯，这是我第一次因为你而使用这个词）有人需要很多，有人需要很少，但一般来说，如果输入数据能解释输出变量，那么任何方法都可以。而且我认为结果也会类似。我希望我可以在雷舍托夫以外的系统中使用我的输入。有必要去程序员论坛，我不知道该去哪里 :-(.
 
elibrarius。
你设置了什么深度的提升？

2到10，深度越大，配合越好

最好是3-7

梯度的步骤也可以改变。一般来说，这并不重要，其结果是更少的散射，更少的偏移，更少的信号，等等。并保留了平均画面。这是一个优化的问题，与质量没有关系。


 
马克斯，说实话，感谢你关于自然神经元的视频，但这个视频不是很好。事情是这样的，我有一个重新培训的理论，我已经思考了很久，并且已经为我建立了相当充分的理论。我相信Yandex的工作人员会有兴趣听的。 呃...我希望我能够找到力量来录制视频。我总是喝醉了，或者很滑稽。我不知道这一点 :-(
 
Mihail Marchukajtes:
马克斯，我想感谢你关于自然神经元的视频，但这个视频不是那么好。事情是这样的，我有一个重新培训的理论，我已经思考了很久，并且为我建立了相当充分的理论。我相信Yandex的工作人员会有兴趣听的。呃... 我希望我能够找到力量来录制视频。我总是喝醉了，或者很滑稽。我不知道这一点 :-(

))的规律性，应该通过统计分析来寻求，而不是折磨神经元。

例如，在我倒数第二篇文章中，我按月给出了欧元兑美元10年的季节性波动。今年，这一切都在重演。4-5月将是最有趣的（从近期来看）。
 
马克西姆-德米特里耶夫斯基。

))的规律性应该通过统计分析来寻找，而不是通过折磨神经元来寻找。

这就是我的意思。在麻烦JPrediction之前，我只在6000千列中留下150件在统计学上有意义的作品，然后才寻找那个臭名昭著的描述输出的法律。从理论上讲，列的数量应该是表行数量的两倍，这样算法就有足够的数据可以选择。 结果，优化器从我建议的150件中留下5到10件，形成最终的模型。
1...160816091610161116121613161416151616161716181619162016211622...3399
新评论